考虑台风影响的海上风电机组部件剩余寿命预测方法

针对台风天气影响下海上风电机组剩余寿命预测问题,提出了考虑退化状态与台风冲击相依的海上风电机组部件剩余寿命预测方法。基于台风冲击模型及部件状态对部件退化过程的影响分析,构建了考虑退化状态与冲击相依的海上风电机组部件剩余寿命可靠度模型。利用实际监测数据对部件可靠度模型进行修正更新,建立了剩余寿命动态预测模型。采用fmincon函数对离散化处理后的部件可靠度模型进行参数估计,结合运行监测数据修正参数,进而动态预测剩余寿命。以某海上风电机组齿轮箱部件为例进行仿真,验证了所提方法的有效性。     

流量孔板非校验区流出系数的确定方法

在联合循环机组性能试验中采用未经校验的流量孔板测量主流量,虽降低了测试成本,但增加了试验结果的不确定度,不利于商业合同的顺利执行。介绍了一种基于ASME规程的利用校验资料确定实际试验雷诺数下流量孔板流出系数的拟合校验曲线的方法,并将其结果与理论流出系数进行了比较。得出采用满足ASME规程要求的校验合格的流量孔板来测量联合循环机组的主流量,完全可以达到试验总不确定度不大于1%的要求,并可较大的降低试验成本。     

基于CNN-BiLSTM的锂电池剩余使用寿命概率密度预测

通过预测锂离子电池的剩余使用寿命(RUL),可以对电池实现管理和维护,提升电池的耐用性和安全性。由于锂离子电池在使用过程中,不同的工况条件会增加锂离子电池RUL预测的不确定性,传统的点预测不能对电池的不确定性进行表达,因此提出了一种基于卷积神经网络(CNN)和双向长短时记忆循环神经网络(BiLSTM)的混合神经网络分位数回归的概率密度预测。该方法通过预测不同分位数条件下的电池容量,不仅可以利用中位数和众数对剩余寿命进行点估计,还可以利用核密度估计得到每个循环周期下电池的容量和剩余使用寿命的概率密度分布,为使用者提供更多有效的决策信息。     

风电并网检测不确定度分析及评定方法研究

大规模风电的并网运行给电力系统的安全、稳定运行带来的影响不可忽视。为了保障风电持续健康发展和电网安全稳定运行,开展风电并网检测是非常重要的。不确定度是保证检测结果的可靠性、准确性,及检测能力的重要指标,亟需开展风电并网检测的不确定度分析及与其相适应的不确定度评定方法的研究。通过对相关标准的研究,对风电并网检测的测试项目及测试方法作了介绍,分析了功率、谐波及闪变等主要测试结果的不确定度分量,最后给出了不确定度评定的方法。     

考虑风电出力不确定的风电并网优化探究

风力发电是一种新能源,具有无污染、无排放等优点,已经成为全球最具规模且发展最快的可再生能源.但是自然界风力的不确定性导致风力发电的随机性较大,给风电调度带来巨大的困难,因此,考虑风电出力不确定的探究对建设优化电网有重要意义.     

基于凸优化-寿命参数退化机理模型的锂离子电池剩余使用寿命预测

针对锂离子电池寿命预测中模型普适性差、预测精度不足等问题,提出一种基于凸优化-寿命参数退化机理模型的锂离子电池剩余使用寿命RUL预测方法。首先构造锂离子电池实际容量与其循环周期的退化机理模型。对锂离子电池寿命试验数据进行凸优化降噪处理;基于预处理得到的可靠性较高的数据,采用最小二乘法对所建机理模型的参数进行辨识,从而得到精确的模型表达式,实现锂离子电池RUL的预测。基于NASA锂离子电池数据集预测并评估锂离子电池的RUL,预测结果验证了模型良好的通用性,误差范围为4%左右。     

基于Autoformer的滚动轴承剩余使用寿命预测

滚动轴承剩余使用寿命(RUL)预测的数据驱动方法显示出了巨大的潜力,但仍有提升的空间。为此,提出了一种基于Autoformer模型的滚动轴承RUL预测方法。结合领域内的专家知识对滚动轴承原始信号进行人工特征提取并优化特征,利用Transformer类模型强大的多维特征提取能力挖掘输入特征与RUL之间的复杂映射关系。针对滚动轴承振动信号的周期性特点采用Autoformer模型将时间序列进行分解对趋势项和周期项分别处理。实验结果表明,所提出的预测方法在PHM2012数据集上的表现相比于其它文献的方法,平均得分分别提高了50.03%、21.31%、19.93%。证明了该方法的优越性。     

基于GWO-SVR的锂电池剩余使用寿命预测

锂离子电池剩余使用寿命预测在电池管理系统中发挥着重要作用,准确预测其剩余使用寿命能够保障电池的安全稳定运行。由于支持向量回归SVR(support vector regression)参数内核选择较为困难,为此提出灰狼优化—支持向量回归GWO-SVR(gray wolf optimization-SVR)方法,使用灰狼算法优化其内核参数,根据NASA预测中心提供的电池数据集对该方法进行了验证。通过与SVR方法进行对比发现,所提GWO-SVR方法的预测精度得到显著提高;在此基础上与ALO-SVR方法进行对比,证明所提方法平均相对误差降低了7.16%,预测精度更高,有效地提高了锂离子电池剩余寿命预测的精确性。     

低压电器电寿命试验的不确定度分析

介绍了检测实验室测量不确定度分析。为了实现更为准确的测量不确定度评定,对低压电器电寿命试验项目进行测量不确定评定,通过识别检测过程中的不确定度来源,建立数学模型,分析不确定度评定的方法,得到了测量不确定的结果,为试验数据测量结果的准确性提供了可靠保证。     

基于GBDT算法的锂电池剩余使用寿命预测

针对现有方法对锂电池剩余使用寿命(RUL)预测精度不高,模型训练时间较长的问题,提出一种基于梯度提升决策树 算法(GBDT)结合网格搜索法(GS)的预测模型。 首先,分析锂电池的充放电循环过程,确定电压、电流、温度为可用健康因子 (HI);其次,处理历史数据中的异常值,并均值化可用健康因子数据为特征输入;最后,通过 GBDT 算法建立锂电池剩余使用寿 命预测模型,并采用 GS 优化模型参数。 基于 NASA 锂电池容量衰减数据,实验结果表明,模型在 RMSE、MAE、MAPE 评价指标 上相对其他方法均提升了约 10 倍,并且可将锂电池剩余使用寿命预测误差率控制在 0. 05 以内,训练时间缩减至 4. 5 s。     

基于灰色理论的航空发动机剩余寿命预测

针对航空发动机健康监测数据繁杂、性能退化特征不明显、缺乏有效的健康指数构建与剩余寿命预测难的问题,提出了基于灰色理论的多监测参量优化选择与融合及全阶时间幂灰色预测模型(FOTP-GM(1,1))方法。首先,采用灰色关联分析法对航空发动机的高维监测物理参量的性能退化状态表征能力进行参数化度量,结合线性相关分析对监测参量进行优化选择;其次,利用灰色接近关联度对优化选择的特征进行加权融合,构建航空发动机的统一健康指标(HI),并以训练发动机HI失效阈值为参照,采用滑动窗欧氏距离比对法确定测试发动机的HI失效阈值;最后,采用FOTP-GM(1,1)对测试发动机的剩余寿命进行预测。通过实验分析,该方法能够有效地对航空发动机的剩余寿命进行预测,并比传统方法得到更高的预测准确度,该方法为实现航空发动机的故障预测与健康管理提供一种新的思路与手段。     

基于灰色理论的航空发动机剩余寿命预测

针对航空发动机健康监测数据繁杂、性能退化特征不明显、缺乏有效的健康指数构建与剩余寿命预测难的问题,提出了基于灰色理论的多监测参量优化选择与融合及全阶时间幂灰色预测模型(FOTP-GM(1,1))方法。首先,采用灰色关联分析法对航空发动机的高维监测物理参量的性能退化状态表征能力进行参数化度量,结合线性相关分析对监测参量进行优化选择;其次,利用灰色接近关联度对优化选择的特征进行加权融合,构建航空发动机的统一健康指标(HI),并以训练发动机HI失效阈值为参照,采用滑动窗欧氏距离比对法确定测试发动机的HI失效阈值;最后,采用FOTP-GM(1,1)对测试发动机的剩余寿命进行预测。通过实验分析,该方法能够有效地对航空发动机的剩余寿命进行预测,并比传统方法得到更高的预测准确度,该方法为实现航空发动机的故障预测与健康管理提供一种新的思路与手段。     

基于可靠度约束的风电机组机会检修模型

对风电机组进行预防性检修,能够有效提高机组的可靠性。首先以风电机组单个部件的可靠度作为约束条件,以单部件单位时间检修成本最小作为目标函数,求得单部件的最佳检修周期和检修次数。在此基础上,对符合一定条件的部件进行机会检修,构建了风电机组的机会检修模型。最后,以机会检修策略下总的检修费用最小作为目标函数,以机组整体的可靠度作为约束条件,利用遗传算法对该模型进行求解以得到最佳的机会检修阈值和最小的检修总费用。通过算例分析表明,该机会检修模型能够有效节约总的检修成本。该研究对检修部门制定检修计划具有一定的参考意义。     

基于CEEMDAN和SVR的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(RUL)的估算是锂离子电池健康管理的关键,准确可靠地预测锂离子电池的剩余使用寿命对系统的安全正常运行至关重要。提出了一种结合完备集合经验模态分解(CEEMDAN)和支持向量回归(SVR)的锂离子电池剩余使用寿命预测方法。首先,在放电过程中提取了一个可测量的健康因子,并使用Pearson和Spearman法分析健康因子与容量之间的相关性,然后利用CEEMDAN将健康因子进行分解,获得一系列相对平稳的分量,最后采用CEEMDAN分解后的健康因子作为SVR预测模型输入,容量作为输出,实现锂离子电池RUL预测。利用NASA PCoE提供的锂离子电池退化数据集进行试验,与标准SVR模型相比,实验结果表明利用该方法能够有效验证所提出的RUL预测模型的有效性,并且使预测误差控制在2%以下。     

基于CNN-Bi-LSTM网络的锂离子电池剩余使用寿命预测

锂离子电池的剩余使用寿命(RUL)预测可以评估电池的可靠性,降低电池使用的风险并为电池维护提供理论依据.结合卷积神经网络(CNN)与双向长短期记忆(Bi-LSTM)网络的优点,提出一种考虑多种寿命衰退特征与数据时序性的CNN-Bi-LSTM网络模型用于锂离子电池RUL预测.通过仿真得到CNN超参数,选择相关性高的特征参数作为预测输入量,最后在NASA锂离子电池老化数据集上进行仿真实验.实验结果表明CNN-Bi-LSTM网络模型能准确预测锂离子电池RUL,与其他网络模型相比,具有网络模型参数少、占用内存小的优势,在精确度和收敛性上都有较好表现.     

基于深度置信网络的轴承剩余使用寿命预测

针对精密电子、塑形成型等高速高精加工过程滚动轴承的剩余使用寿命预测建模中存在样本少、标注难度大等问题,引入深度置信网络,融合无监督与有监督微调学习方法开展滚动轴承剩余使用寿命预测研究.将滚动轴承的振动数据特征作为输入、剩余使用寿命作为输出,以能量函数量化特征准确性的概率分布作为基本组成部件,部件的上一层特征输出作为下一...     

基于混合ISSA-LSTM的锂离子电池剩余使用寿命预测

准确预测锂离子电池剩余使用寿命(remaining useful life, RUL)对降低电池使用风险和维护设备稳定性方面具有重要意义。为了提高锂离子电池RUL预测的稳定性和结果的准确性,提出一种基于混合改进麻雀搜索算法(improved sparrow search algorithm, ISSA)与长短期记忆(long short-term memory, LSTM)神经网络的锂电池RUL预测模型。首先,用均值化方法对原始数据中的异常值进行处理。然后,结合Tent混沌映射、自适应权重以及反向学习策略和柯西变异扰动策略优化麻雀搜索算法,再利用改进麻雀搜索算法对LSTM模型的参数进行优化。最后,采用改进的混合ISSA-LSTM模型并完成RUL预测。采用NASA公开数据集对本模型进行验证。结果表明,该模型的平均绝对误差、均方根误差和平均相对百分比误差控制在0.016 47、0.022 84和1.2048%以内,能够有效地提高锂离子电池RUL的预测精度。     

基于注意力机制和CNN-BiLSTM模型的航空发动机剩余寿命预测

航空发动机作为飞机的主要动力源,其可靠性是保证飞机安全的关键。 剩余使用寿命预测对于提高航空发动机的可用 性和降低其寿命周期成本具有重要意义。 针对现有的预测算法存在对航空发动机多维数据特征提取不足的问题,提出了一种 基于注意力机制的卷积神经网络和双向长短期网络融合模型。 首先,采用卷积神经网络提取特征和双向长短期记忆网络获取 特征中的长短期依赖关系;其次,使用注意力机制来突出特征中的重要部分,提高模型预测的准确率。 为验证所提出方法的有 效性,在 C-MAPSS 数据集上进行了实验。 实验表明,模型可以准确地预测出航空发动机的剩余使用寿命,并比传统方法有着更 高的预测精度。     

基于改进贝叶斯网络的风电机组动态可靠性评估

传统的贝叶斯网络方法对于新型智能化风电机组获取的“多元异质”状态信息、机组部件故障与状态信息间的耦合关联描述不全面,易造成可靠性评估结果不准确。为此,建立一种融合故障树、云模型及无标度网络的改进贝叶斯网络。引入迭代更新的思路,将改进贝叶斯网络与时序分析方法相结合,提出一种风电机组动态可靠性评估方法。算例结果表明,该方法不仅可以有效地利用风电机组的实时状态信息进行定量的动态可靠度计算,而且可以利用贝叶斯网络、状态结构洞以及无标度网络实现对状态信息与“部件-状态”结构关联特性的表达,提高了动态可靠性评估的准确性。